Состояние интеграции ИИ и Web3: возможности и вызовы

Введение: Развитие AI+Web3

В последние годы стремительное развитие технологий искусственного интеллекта (AI) и Web3 привлекло широкое внимание по всему миру. Искусственный интеллект, как технология, имитирующая человеческий интеллект, добился значительных успехов в таких областях, как распознавание лиц, обработка естественного языка, машинное обучение и др., что принесло огромные изменения и инновации в разные отрасли. В 2023 году объем рынка AI достиг 200 миллиардов долларов США, появились такие выдающиеся компании, как OpenAI, Character.AI, Midjourney и др.

В то же время Web3 как новая модель сети меняет представление людей об интернете и способы его использования. Web3 основан на децентрализованной блокчейн-технологии и реализует функции, такие как смарт-контракты, распределенное хранение и децентрализованная аутентификация, что позволяет осуществлять совместное использование и контроль данных, автономию пользователей и создание механизмов доверия. Основная идея Web3 заключается в освобождении данных из рук централизованных учреждений, предоставлении пользователям контроля над данными и правом на распределение их ценности. В настоящее время рыночная стоимость отрасли Web3 достигает 25 триллионов долларов, проекты такие как Bitcoin, Ethereum, Solana и многие другие появляются постоянно.

Сочетание ИИ и Web3 является областью, на которую обращают внимание как строители, так и инвесторы с Востока и Запада. Как хорошо объединить эти два направления — вопрос, который стоит исследовать. В этой статье будет в основном рассмотрено текущее состояние развития AI+Web3, проанализированы текущие проекты, а также глубоко обсуждены ограничительные факторы и вызовы, чтобы предоставить инвесторам и профессионалам отрасли полезные рекомендации и инсайты.

Два, способы взаимодействия AI и Web3

Развитие ИИ и Web3 похоже на две стороны весов: ИИ повышает производительность, тогда как Web3 приносит изменения в производственные отношения. Далее мы сначала проанализируем трудности и возможности повышения, с которыми сталкиваются ИИ и Web3, а затем обсудим, как они могут помочь друг другу в решении этих проблем.

2.1 Проблемы, с которыми сталкивается отрасль ИИ

Ядром AI-индустрии являются три ключевых элемента: вычислительная мощность, алгоритмы и данные.

1. Вычислительная мощность: означает способность выполнять крупномасштабные вычисления и обработки. Задачи ИИ обычно требуют обработки больших объемов данных и выполнения сложных вычислений, таких как обучение моделей глубоких нейронных сетей. Высокая вычислительная мощность может ускорить процесс обучения и вывода модели, повышая производительность и эффективность систем ИИ. В последние годы, с развитием GPU и специализированных чипов ИИ, увеличение вычислительной мощности сыграло важную роль в развитии отрасли ИИ.

2. Алгоритмы: это основная составная часть AI-системы, используемая для решения задач и реализации математических и статистических методов. Алгоритмы AI можно разделить на традиционные алгоритмы машинного обучения и алгоритмы глубокого обучения, причем последние добились значительных успехов в последние годы. Выбор и проектирование алгоритмов имеют решающее значение для производительности и эффективности AI-системы. Постоянное совершенствование и инновации в алгоритмах могут повысить точность, надежность и обобщающую способность AI-систем.

3. Данные: Основная задача AI-системы заключается в извлечении паттернов и закономерностей из данных через обучение и тренировку. Данные являются основой для обучения и оптимизации моделей, и с помощью обширных выборок данных AI-система может обучаться более точным и умным моделям. Богатые наборы данных могут предоставить более полную и разнообразную информацию, что позволяет моделям лучше обобщать на незнакомых данных, помогая AI-системе лучше понимать и решать проблемы реального мира.

Основные трудности, с которыми сталкивается ИИ в этих трех областях, включают:

• В области вычислительной мощности: получение и управление крупномасштабной вычислительной мощностью дорого и сложно, стоимость, энергопотребление и обслуживание высокопроизводительных вычислительных устройств являются проблемами. Для стартапов и индивидуальных разработчиков может быть трудно получить достаточную вычислительную мощность.

• В области алгоритмов: алгоритмы глубокого обучения требуют больших объемов данных и вычислительных ресурсов, а интерпретируемость и объяснимость моделей недостаточны. Робустность алгоритмов и способность к обобщению также являются важными проблемами, поскольку модели могут демонстрировать нестабильные результаты на невидимых данных.

• В области данных: получение качественных и разнообразных данных по-прежнему является проблемой. Данные в некоторых областях могут быть труднодоступны, например, данные о здоровье. Качество данных, точность и аннотация также являются проблемами, неполные или предвзятые данные могут привести к ошибочному поведению или предвзятости модели. В то же время защита конфиденциальности и безопасности данных также является важным фактором.

Кроме того, такие проблемы, как объяснимость и прозрачность AI-моделей, неясность бизнес-моделей и т.д., также заставляют многих предпринимателей в области AI чувствовать себя растерянными.

2.2 Проблемы, с которыми сталкивается индустрия Web3

В индустрии Web3 в настоящее время существует множество проблем, которые необходимо решить, включая анализ данных, пользовательский опыт, безопасность смарт-контрактов и другие аспекты, в которых есть пространство для улучшения. Искусственный интеллект, как инструмент повышения производительности, также имеет много потенциальных возможностей для реализации в этих областях:

• Анализ данных и прогнозирование: технологии ИИ могут помочь платформам Web3 извлекать ценную информацию из огромных объемов данных, обеспечивая более точные прогнозы и решения, что имеет важное значение для оценки рисков в области DeFi, рыночного прогнозирования и управления активами.

• Пользовательский опыт и персонализированные услуги: ИИ может помочь платформам Web3 предоставить лучший пользовательский опыт и персонализированные услуги, анализируя данные пользователей для предоставления персонализированных рекомендаций, индивидуальных услуг и интеллектуального взаимодействия, что повышает вовлеченность и удовлетворенность пользователей.

• Безопасность и защита конфиденциальности: ИИ может быть использован для обнаружения и защиты от сетевых атак, выявления аномального поведения, предоставляя более надежную безопасность. В то же время ИИ также может быть применен для защиты конфиденциальности данных, используя технологии шифрования и вычисления с защищенной конфиденциальностью для защиты информации пользователей.

• Аудит смарт-контрактов: технологии ИИ могут использоваться для автоматизации аудита контрактов и обнаружения уязвимостей, что повышает безопасность и надежность контрактов.

Три. Анализ текущего состояния проектов AI+Web3

Проекты, объединяющие AI и Web3, в основном исходят из двух направлений: использование технологий блокчейна для повышения производительности AI-проектов и использование технологий AI для улучшения проектов Web3.

3.1 Web3 помогает ИИ

3.1.1 Децентрализованная вычислительная мощность

С появлением таких крупных моделей, как ChatGPT, потребность в вычислительной мощности в области ИИ резко возросла. Однако нехватка поставок GPU стала узким местом для развития ИИ. Для решения этой проблемы некоторые Web3 проекты пытаются предоставить децентрализованные вычислительные услуги, включая Akash, Render, Gensyn и другие. Такие проекты используют токенами для стимуляции пользователей по всему миру предоставлять неиспользуемую вычислительную мощность GPU, чтобы поддерживать клиентов ИИ.

Сторона предложения в основном включает в себя облачных провайдеров, майнеров криптовалют и крупные предприятия. Проекты децентрализованных вычислений в основном делятся на две категории: одна используется для AI-инференции (, такие как Render, Akash ), другая используется для AI-обучения (, такие как io.net, Gensyn ).

Например, на io.net, как на децентрализованной сети вычислительной мощности, в настоящее время количество GPU превышает 500000, и она интегрировала вычислительные мощности Render и Filecoin, постоянно развивая экосистемные проекты. Gensyn, в свою очередь, содействует распределению задач машинного обучения и вознаграждениям через смарт-контракты, реализуя обучение ИИ.

Однако большинство проектов выбирает делать AI-инференцию, а не обучение, основная причина заключается в различных требованиях к вычислительной мощности и пропускной способности. Обучение AI требует огромного объема данных и высокой скорости связи, что делает реализацию сложной. В то время как AI-инференция требует меньше данных и пропускной способности, что делает ее более возможной для реализации.

3.1.2 Децентрализованная алгоритмическая модель

Помимо вычислительной мощности, некоторые проекты пытаются создать децентрализованный рынок сервисов AI-алгоритмов. В качестве примера можно привести Bittensor, который связывает несколько AI-моделей, каждая из которых обладает своими знаниями и навыками. Когда пользователь задает вопрос, рынок выбирает наиболее подходящую AI-модель для предоставления ответа.

В сети Bittensor поставщики алгоритмических моделей (, майнеры ) вносят свои модели машинного обучения в сеть и получают токены в качестве вознаграждения за свой вклад. Чтобы гарантировать качество ответов, Bittensor использует уникальный механизм консенсуса для обеспечения согласия сети по наилучшим ответам.

Развитие платформы децентрализованных алгоритмических моделей может позволить малым компаниям конкурировать с крупными организациями в использовании передовых ИИ-инструментов, что может оказать значительное влияние на различные отрасли.

3.1.3 Децентрализованный сбор данных

Обучение AI-моделей требует большого объема данных, но в настоящее время большинство платформ Web2 запрещают сбор данных для обучения AI или продают пользовательские данные компаниям AI, не делясь прибылью. Некоторые проекты Web3 реализуют децентрализованный сбор данных с помощью токенов, такие как PublicAI.

В PublicAI пользователи могут участвовать в качестве поставщиков данных AI или валидаторов данных. Поставщики данных находят ценный контент на социальных платформах и делятся им в центре данных PublicAI; валидаторы данных голосуют за самые ценные данные для обучения AI. Пользователи получают токеновые вознаграждения за эти два типа вклада, что способствует взаимовыгодным отношениям между поставщиками данных и разработкой AI-индустрии.

3.1.4 Защита пользовательской конфиденциальности в AI с использованием ZK

Технология нулевых знаний может обеспечить верификацию информации, защищая при этом конфиденциальность, что помогает решить конфликт между защитой данных и их совместным использованием в ИИ. ZKML(Нулевое знание машинного обучения)позволяет, используя технологию нулевых знаний, обучать и делать выводы по моделям машинного обучения без раскрытия исходных данных.

Проекты такие как BasedAI исследуют возможность бесшовной интеграции полного гомоморфного шифрования FHE( с LLM для обеспечения конфиденциальности данных. С помощью модели большого языка с нулевыми знаниями ) ZK-LLM( конфиденциальность встраивается в распределённую сетевую инфраструктуру, гарантируя, что данные пользователей остаются конфиденциальными на протяжении всего процесса работы сети.

![Новая информация丨Глубокий анализ: Какие искры могут возникнуть между AI и Web3?])https://img-cdn.gateio.im/webp-social/moments-8bda459009fffde5316e2118f4a0e9fa.webp(

)# 3.2 ИИ помогает Web3

3.2.1 Анализ данных и прогнозирование

Многие Web3 проекты начинают интегрировать AI-сервисы или разрабатывать собственные AI-инструменты, чтобы предоставлять пользователям услуги по анализу данных и прогнозированию, охватывающие такие области, как инвестиционные стратегии, анализ в цепочке, прогнозирование цен и рынка.

Например, Pond использует алгоритмы AI для прогнозирования будущих ценных альфа-токенов, предоставляя пользователям и учреждениям инвестиционные рекомендации. BullBear AI обучается на основе исторических данных пользователей, истории цен и рыночных тенденций, помогая прогнозировать ценовые колебания. Numerai, как платформа для инвестиционных соревнований, позволяет участникам использовать AI и большие языковые модели для прогнозирования фондового рынка. Платформы аналитики данных, такие как Arkham, также интегрируют AI в свои услуги, сопоставляя адреса блокчейна с реальными сущностями и демонстрируя ключевые данные и анализ.

3.2.2 Персонализированные услуги

Web3 проекты оптимизируют пользовательский опыт за счет интеграции ИИ. Например, платформа анализа данных Dune представила инструмент Wand, который использует большие языковые модели для написания SQL-запросов, позволяя пользователям, не знающим SQL, удобно выполнять поиск. Медиа платформа Web3 Followin и энциклопедия Web3 IQ.wiki интегрировали ChatGPT для суммирования контента. Поисковая система на основе LLM Kaito стремится стать поисковой платформой Web3. Проекты, такие как NFPrompt, снижают затраты пользователей на создание NFT с помощью ИИ.

3.2.3 AI-аудит смарт-контрактов

Искусственный интеллект также играет важную роль в аудите смарт-контрактов, позволяя более эффективно и точно выявлять уязвимости в коде. Например, 0x0.ai предлагает аудитор смарт-контрактов на основе искусственного интеллекта, который использует передовые алгоритмы для анализа смарт-контрактов и выявления потенциальных уязвимостей или рисков безопасности. Аудиторы используют технологии машинного обучения для выявления паттернов и аномалий в коде, помечая потенциальные проблемы для дальнейшего рассмотрения.

![Новый человек в теме丨Глубокий анализ: Какие искры могут возникнуть между AI и Web3?]###https://img-cdn.gateio.im/webp-social/moments-48fe2f2dc021b1b25d8d17f3a503cd7c.webp(

) Четыре, ограничения и текущие вызовы проектов AI+Web3

4.1 Реальные препятствия в области децентрализованных вычислений

Децентрализованные вычислительные продукты сталкиваются с рядом реальных проблем:

1. Производительность и стабильность: из-за зависимости от узлов, распределенных по всему миру, сетевое соединение может испытывать задержки и нестабильность, производительность может быть хуже, чем у централизованных вычислительных продуктов.

2. Соответствие ресурсов: доступность зависит от степени соответствия спроса и предложения, что может привести к нехватке ресурсов или невозможности удовлетворить потребности пользователей.

3. Техническая сложность: пользователям может потребоваться знание распределенных сетей, смарт-контрактов и криптовалютных платежей, что делает использование более затратным.

4. Трудности в обучении больших моделей: обучение больших моделей требует высокой стабильности и способности к многокартному параллелизму, в настоящее время децентрализованные вычислительные мощности трудно реализовать. Основные причины включают:

   • Одинарная мощность карты: Для обучения больших моделей требуется мощная одинарная мощность карты.
   • Мультикартельное соединение: требуется задействовать десятки тысяч GPU для параллельного обучения, что предъявляет высокие требования к многокартельной связи.
   • Программная экосистема: требуется программная среда, совместимая с аппаратным обеспечением, например, система CUDA от NVIDIA.